Buchumschlag

Exploring OCR-augmented Generation for Bilingual VQA

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lee, JoonHo, Park, Sunho
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

BEM: Training-Free Background Embedding Memory for False-Positive Suppression in Real-Time Fixed-Background Camera
von: Park, Junwoo, et al.
Veröffentlicht: (2026)

Training Unbiased Diffusion Models From Biased Dataset
von: Kim, Yeongmin, et al.
Veröffentlicht: (2024)

OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation
von: Zhang, Junyuan, et al.
Veröffentlicht: (2024)

When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation
von: Sun, Lin, et al.
Veröffentlicht: (2026)

Hierarchical Visual Feature Aggregation for OCR-Free Document Understanding
von: Park, Jaeyoo, et al.
Veröffentlicht: (2024)

Ocean-OCR: Towards General OCR Application via a Vision-Language Model
von: Chen, Song, et al.
Veröffentlicht: (2025)

Integrating Query-aware Segmentation and Cross-Attention for Robust VQA
von: Choi, Wonjun, et al.
Veröffentlicht: (2024)

VQA-Diff: Exploiting VQA and Diffusion for Zero-Shot Image-to-3D Vehicle Asset Generation in Autonomous Driving
von: Liu, Yibo, et al.
Veröffentlicht: (2024)

General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model
von: Wei, Haoran, et al.
Veröffentlicht: (2024)

OCR-Agent: Agentic OCR with Capability and Memory Reflection
von: Wen, Shimin, et al.
Veröffentlicht: (2026)

OmniOCR: Generalist OCR for Ethnic Minority Languages
von: Liu, Bonan, et al.
Veröffentlicht: (2026)

Enhancing Document VQA Models via Retrieval-Augmented Generation
von: López, Eric, et al.
Veröffentlicht: (2025)

SeeDiff: Off-the-Shelf Seeded Mask Generation from Diffusion Models
von: Park, Joon Hyun, et al.
Veröffentlicht: (2025)

On the Role of Visual Grounding in VQA
von: Reich, Daniel, et al.
Veröffentlicht: (2024)

RGC-VQA: An Exploration Database for Robotic-Generated Video Quality Assessment
von: Jin, Jianing, et al.
Veröffentlicht: (2025)

Agentar-Fin-OCR
von: Qian, Siyi, et al.
Veröffentlicht: (2026)

Exploring Scalability of Self-Training for Open-Vocabulary Temporal Action Localization
von: Hyun, Jeongseok, et al.
Veröffentlicht: (2024)

MME-VideoOCR: Evaluating OCR-Based Capabilities of Multimodal LLMs in Video Scenarios
von: Shi, Yang, et al.
Veröffentlicht: (2025)

TC-OCR: TableCraft OCR for Efficient Detection & Recognition of Table Structure & Content
von: Anand, Avinash, et al.
Veröffentlicht: (2024)

olmOCR 2: Unit Test Rewards for Document OCR
von: Poznanski, Jake, et al.
Veröffentlicht: (2025)

VQA Training Sets are Self-play Environments for Generating Few-shot Pools
von: Misiunas, Tautvydas, et al.
Veröffentlicht: (2024)

EduVQA: Towards Concept-Aware Assessment of Educational AI-Generated Videos
von: Chen, Baoliang, et al.
Veröffentlicht: (2026)

TextHawk2: A Large Vision-Language Model Excels in Bilingual OCR and Grounding with 16x Fewer Tokens
von: Yu, Ya-Qi, et al.
Veröffentlicht: (2024)

Exploring the Application of Visual Question Answering (VQA) for Classroom Activity Monitoring
von: Vu, Sinh Trong, et al.
Veröffentlicht: (2025)

OCRGenBench: A Comprehensive Benchmark for Evaluating OCR Generative Capabilities
von: Zhang, Peirong, et al.
Veröffentlicht: (2025)

ABot-OCR Technical Report
von: Jiang, Kaitao, et al.
Veröffentlicht: (2026)

Post-Training Quantization via Residual Truncation and Zero Suppression for Diffusion Models
von: Kim, Donghoon, et al.
Veröffentlicht: (2025)

CC-OCR: A Comprehensive and Challenging OCR Benchmark for Evaluating Large Multimodal Models in Literacy
von: Yang, Zhibo, et al.
Veröffentlicht: (2024)

RoundTripOCR: A Data Generation Technique for Enhancing Post-OCR Error Correction in Low-Resource Devanagari Languages
von: Kashid, Harshvivek, et al.
Veröffentlicht: (2024)

Elevating Flow-Guided Video Inpainting with Reference Generation
von: Cho, Suhwan, et al.
Veröffentlicht: (2024)

Exploring Annotation-free Image Captioning with Retrieval-augmented Pseudo Sentence Generation
von: Li, Zhiyuan, et al.
Veröffentlicht: (2023)

Error Patterns in Historical OCR: A Comparative Analysis of TrOCR and a Vision-Language Model
von: Vesalainen, Ari, et al.
Veröffentlicht: (2026)

Knowledge Condensation and Reasoning for Knowledge-based VQA
von: Hao, Dongze, et al.
Veröffentlicht: (2024)

Measuring Faithful and Plausible Visual Grounding in VQA
von: Reich, Daniel, et al.
Veröffentlicht: (2023)

From Plausibility to Verifiability: Risk-Controlled Generative OCR with Vision-Language Models
von: Gong, Weile, et al.
Veröffentlicht: (2026)

Exploring Temporally-Aware Features for Point Tracking
von: Kim, Inès Hyeonsu, et al.
Veröffentlicht: (2025)

DODO: Discrete OCR Diffusion Models
von: Man, Sean, et al.
Veröffentlicht: (2026)

An Empirical Study of Scaling Law for OCR
von: Rang, Miao, et al.
Veröffentlicht: (2023)

SURE-VQA: Systematic Understanding of Robustness Evaluation in Medical VQA Tasks
von: Kahl, Kim-Celine, et al.
Veröffentlicht: (2024)

HDRSDR-VQA: A Subjective Video Quality Dataset for HDR and SDR Comparative Evaluation
von: Chen, Bowen, et al.
Veröffentlicht: (2025)